論文の概要: CoCoRerank: Towards Conventional Commit Message Generation by Component and Candidate Consistency Reranking

• arxiv url: http://arxiv.org/abs/2609.30953v1
• Date: Fri, 25 Sep 2026 08:04:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.286744
• Title: CoCoRerank: Towards Conventional Commit Message Generation by Component and Candidate Consistency Reranking
• Title（参考訳）: CoCoRerank:コンポーネントと候補整合性による従来型のコミットメッセージ生成を目指して
• Abstract要約: 従来型のコミットメッセージ生成を,CCSフォーマットで検討した。 オープンソースGitHubリポジトリから収集した86,688の高品質コミットの新しいベンチマークを構築します。 LLM生成のための2次元整合性に基づくフレームワークCoCoRerankを提案する。
• 参考スコア（独自算出の注目度）: 12.218676847320188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commit messages are essential for understanding software changes, yet automatic commit message generation typically treats a message as an unstructured text sequence. This limits its ability to support standardized development workflows, where commit messages are often expected to follow the Conventional Commits Specification (CCS) in the form type (scope): subject. In this paper, we study conventional commit message generation under the complete CCS format. We construct a new benchmark of 86,688 high-quality commits collected from open-source GitHub repositories, with each message normalized into type, scope, and subject through structural normalization and semantic quality filtering. Based on this benchmark, we propose a two-dimensional consistency-based reranking framework named CoCoRerank for LLM-based generation. CoCoRerank exploits horizontal consistency among the code change, type, scope, and subject, as well as vertical consensus across multiple generated candidates. Experiments with representative CMG baselines, LLM generators, reranking strategies, and ablation variants show that CoCoRerank improves both structural component prediction and subject generation quality. The results demonstrate that complete CCS supervision and multidimensional consistency modeling provide an effective foundation for accurate and standardized commit message generation. The artifact is publicly released at https://github.com/bluewhalebug/CoCoRerank.
• Abstract（参考訳）: コミットメッセージはソフトウェアの変更を理解するのに不可欠だが、自動コミットメッセージ生成は通常、メッセージを非構造化のテキストシーケンスとして扱う。 これは標準化された開発ワークフローをサポートする能力を制限するもので、コミットメッセージは、通常コミット仕様(CCS)の形式(スコープ):主題に従うことがしばしば期待される。 本稿では,従来のコミットメッセージ生成方式をCCSフォーマットで検討する。 我々は、オープンソースのGitHubリポジトリから収集された86,688の高品質コミットの新しいベンチマークを構築し、各メッセージは、構造的正規化とセマンティック品質フィルタリングによって、タイプ、スコープ、主題に正規化されている。 このベンチマークに基づいて,LLM生成のためのCoCoRerankという2次元整合性に基づくリグレードフレームワークを提案する。 CoCoRerankは、コード変更、タイプ、スコープ、主題間の水平的な一貫性と、複数の生成された候補間の垂直的なコンセンサスを利用する。 代表的CMGベースライン、LCMジェネレータ、リグレード戦略、アブレーション変種を用いた実験により、CoCoRerankは構造的成分予測と主観的生成品質の両方を改善していることが示された。 その結果、CCSの完全監視と多次元整合性モデリングが、正確で標準化されたコミットメッセージ生成に有効な基礎となることを示した。 アーティファクトはhttps://github.com/bluewhalebug/CoCoRerank.comで公開されている。

関連論文リスト

• Weave of Formal Thought [51.56484100374058]
  WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。 本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。 Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
  論文  参考訳（メタデータ） (2026-06-24T15:58:11Z)
• TailorMind: Towards Preference-Aligned Multimodal Content Generation [64.3904234880215]
  マルチモーダルジェネレータは、オンデマンドでコンテンツを合成できるが、動作トレースを生成可能な好みに変換する方法はまだ未定である。 パーソナライズされたコンテンツ生成について検討し、既存のアイテムプールやマッチングを待つことなく、ユーザに適したマルチモーダルコンテンツを作成する。 本論文では、協調的嗜好モデルと制御可能なマルチモーダル生成をリンクするTailorMindを提案する。
  論文  参考訳（メタデータ） (2026-06-22T17:31:21Z)
• CommitSuite: A Comprehensive Benchmark for Commit Classification and Message Generation [11.442726319591488]
  CommitSuiteは、7つのプログラミング言語にわたる243のオープンソースリポジトリから63,533のCS準拠のコミットからなるベンチマークである。 実験の結果,LLMは生成と評価の両方を効果的に支援でき,評価は人的判断に対して0.849コーエンのカッパ合意を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-05-04T06:06:57Z)
• CUBE: A Standard for Unifying Agent Benchmarks [138.9831263189749]
  MCPとGymをベースとしたユニバーサルプロトコル標準CUBE(Common Unified Benchmark Environments)を提案する。 CUBEは、任意の準拠プラットフォームがカスタム統合なしで、評価、RLトレーニング、データ生成のための準拠ベンチマークにアクセスできるようにする。
  論文  参考訳（メタデータ） (2026-03-16T18:31:37Z)
• Completion by Comprehension: Guiding Code Generation with Multi-Granularity Understanding [37.78627994991325]
  CoCoは、大規模なコードリポジトリから複数の粒度コンテキストでコード補完を可能にする新しいフレームワークである。 CrossCodeEvalとRepoEvalベンチマークの実験は、CoCoが最先端のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-12-04T07:37:59Z)
• CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
  CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。 我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
  論文  参考訳（メタデータ） (2025-11-27T18:59:35Z)
• ZeroGR: A Generalizable and Scalable Framework for Zero-Shot Generative Retrieval [125.19156877994612]
  生成検索(GR)は、情報検索(IR)を文書識別子(ドシデント)の生成としてフレーミングすることによって再構成する 我々は、自然言語命令を利用して幅広いIRタスクにわたってGRを拡張するゼロショット生成検索フレームワークであるtextscZeroGRを提案する。 具体的には、textscZeroGRは、3つのキーコンポーネントで構成されている: (i)不均一な文書を意味的に意味のあるドシデントに統一するLMベースのドシデントジェネレータ; (ii)自然言語タスク記述から様々なタイプのクエリを生成し、拡張する命令チューニングクエリジェネレータ。
  論文  参考訳（メタデータ） (2025-10-12T03:04:24Z)
• Contextual Code Retrieval for Commit Message Generation: A Preliminary Study [18.46986692375691]
  コミットメッセージはコミットの主要なコード変更を記述し、ソフトウェアメンテナンスにおいて重要な役割を果たす。 既存のコミットメッセージ生成アプローチでは、コード差分を入力し、短い記述文を出力として生成する、直接マッピングとしてフレーム化するのが一般的である。 原コード差分は、高品質なコミットメッセージを生成するのに必要な完全なコンテキストをキャプチャできないため、コード差分のみに依存することは不十分である、と私たちは主張する。
  論文  参考訳（メタデータ） (2025-07-23T16:54:57Z)
• PICASO: Permutation-Invariant Context Composition with State Space Models [98.91198288025117]
  State Space Models (SSM) は、コンテキストのデータベースを固定次元の状態にマッピング可能にすることで、有望なソリューションを提供する。 本研究では,SSM力学から導かれる単純な数学的関係を,生のコンテキストトークンの連結効果を効率的に近似する複数の状態に構成する。 我々は,WikiText と MSMARCO をゼロショットと微調整の両方で評価し,平均5.4倍のスピードアップを楽しみながら最強の演奏ベースラインと一致できることを示す。
  論文  参考訳（メタデータ） (2025-02-24T19:48:00Z)
• Delving into Commit-Issue Correlation to Enhance Commit Message Generation Models [13.605167159285374]
  コミットメッセージ生成は、自動化されたソフトウェアエンジニアリングにおいて難しいタスクである。 ツールとは,コミットとイシューの相関関係をモデルのトレーニングフェーズに導入する,新たなパラダイムだ。 その結果,元モデルと比較して,ツール強化モデルの性能は大幅に向上した。
  論文  参考訳（メタデータ） (2023-07-31T20:35:00Z)
• CoreGen: Contextualized Code Representation Learning for Commit Message Generation [39.383390029545865]
  コミットメッセージ生成(CoreGen)のためのコンテキスト適応型コード表現学習戦略を提案する。 ベンチマークデータセットの実験では、BLEU-4スコアの少なくとも28.18%の改善により、ベースラインモデルよりもモデルの有効性が向上した。
  論文  参考訳（メタデータ） (2020-07-14T09:43:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。